在EEG信号中使用视觉变压器对音乐引起的情绪进行分类
Dong Wang1, Jian Lian1, Hebin Cheng1
1School of Intelligence Engineering, Shandong Management University, Jinan, China.
Frontiers in psychology
|April 19, 2024
概括
这项研究引入了一种新型的深度学习模型,其中有一个注意力机制,用于改进电脑电图 (EEG) 情绪识别. 该模型有效地提取空间和时间特征,优于现有的方法从EEG数据分类情绪.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 基于脑电图 (EEG) 的情绪识别对于人机交互和治疗至关重要.
- 手动分析EEG信号是耗时的.
- 从EEG中提取情绪分类的独特特征仍然具有挑战性.
研究的目的:
- 开发一种新的深度学习模型,使用注意力机制从EEG数据中增强情绪识别.
- 为了有效地从情绪EEG记录中提取空间和时间信息.
- 解决EEG情绪分类现有方法的局限性.
主要方法:
- 开发了一种独特的深度学习模型,其中包含了注意力机制.
- 全球平均聚合和完全连接的层被用于特征提取.
- 为了评估,创建了一个音乐诱导情绪EEG记录的数据集.
主要成果:
- 拟议的模型在情绪EEG信号分类方面表现出卓越的表现.
- 在二进制 (正/负) 和三进制 (正/负/中性) 分类中,超越了最先进的算法.
- 验证使用专有和公开可访问的EEG数据集进行.
结论:
- 这种具有注意力机制的新型深度学习模型在基于EEG的情绪识别方面取得了重大进展.
- 该模型能够提取空间和时间特征,从而提高了分类准确性.
- 这种方法有望在HCI和治疗环境中实现更高效和更有效的应用.
更多相关视频
05:51Exploring the Use of Isolated Expressions and Film Clips to Evaluate Emotion Recognition by People with Traumatic Brain Injury
Published on: May 15, 2016
9.0K
09:57Author Spotlight: Advancing Pediatric Epilepsy Surgery in Children Through Novel Biomarkers and Enhanced Localization
Published on: September 20, 2024
2.6K
